Mediation Analysis with Graph Mediator
以图结构为中介的中介分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是图作为中介时的因果效应估计，未明确研究网络干扰或个体间溢出效应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
以图结构为中介的中介分析
- 研究问题
- 当中介变量是图结构而非标量时，如何用协方差矩阵表示该中介，并识别、估计其传递的因果效应？
- 方法与思路
- 作者采用高斯协方差图表示，基于矩阵分解建立参数化中介模型，在高斯误差假设下联合似然估计分解与因果参数。
- 材料陈述的贡献
- 摘要称提出计算算法并研究估计量渐近性质；在静息态 fMRI 应用中，识别出功能连接中介运动任务表现性别差异的脑网络。
- 阅读关注点
- 应核对协方差图如何承载中介含义、矩阵分解的唯一性、因果识别假设，以及高斯和参数化限制对应用解释的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列明识别条件、渐近结论及效应数值，脑网络中介结论仍依赖模型假设。
原文摘要
This study introduces a mediation analysis framework when the mediator is a graph. A Gaussian covariance graph model is assumed for graph representation. Causal estimands and assumptions are discussed under this representation. With a covariance matrix as the mediator, parametric mediation models are imposed based on matrix decomposition. Assuming Gaussian random errors, likelihood-based estimators are introduced to simultaneously identify the decomposition and causal parameters. An efficient computational algorithm is proposed and asymptotic properties of the estimators are investigated. Via simulation studies, the performance of the proposed approach is evaluated. Applying to a resting-state fMRI study, a brain network is identified within which functional connectivity mediates the sex difference in the performance of a motor task.